CN110660484A - 骨龄预测方法、装置、介质及电子设备 - Google Patents
骨龄预测方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN110660484A CN110660484A CN201910709174.8A CN201910709174A CN110660484A CN 110660484 A CN110660484 A CN 110660484A CN 201910709174 A CN201910709174 A CN 201910709174A CN 110660484 A CN110660484 A CN 110660484A
- Authority
- CN
- China
- Prior art keywords
- gender
- neural network
- convolutional neural
- network model
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及图像识别领域,揭示了一种骨龄预测方法、装置、介质及电子设备。该方法包括:获取待预测的手骨数据;确定所述待预测的手骨数据的性别;按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄,其中,所述卷积神经网络模型预先基于三元组损失函数和回归损失函数训练得到。此方法下,通过利用基于三元组损失函数和回归损失函数训练得到的卷积神经网络模型来进行骨龄预测,提高了骨龄预测效率,降低了骨龄预测成本,提升了骨龄预测的准确率。此外,通过利用特定性别的卷积神经网络模型专门进行相应性别的手骨数据的预测,进一步提高了骨龄预测的准确率。
Description
技术领域
本公开涉及图像识别技术领域,特别涉及一种骨龄预测方法、装置、介质及电子设备。
背景技术
人类身体发育过程中,不同时期的骨骼大小和形状有着明显的差异,正常发育的情况下,骨骼的年龄(骨龄)和真实的年龄差异非常小,一旦发现该差异较大时,则表明身体发育的过程中可能存在某些潜在的疾病干扰着骨头的正常发育。目前,对青少年骨骼发育成熟度评估过程均由相关经验的医师来执行,通过将左手的X射线图像与骨骼发育的标准化图谱相比较,从而评估出骨骼的年龄,评估的过程将会花费相当长的时间,普通医师可以将评估误差控制在12个月内,专家则可以将评估误差控制在6个月内。然而,传统评估骨龄存在普通医师评估误差大和评估花费时间长,效率低的问题。
发明内容
在图像识别技术领域,为了解决上述技术问题,本公开的目的在于提供一种骨龄预测方法、装置、介质及电子设备。
根据本申请的一方面,提供了一种骨龄预测方法,所述方法包括:
获取待预测的手骨数据;
确定所述待预测的手骨数据的性别;
按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄,其中,所述卷积神经网络模型预先基于三元组损失函数和回归损失函数训练得到。
根据本申请的另一方面,提供了一种骨龄预测装置,所述装置包括:
数据获取模块,被配置为获取待预测的手骨数据;
性别确定模块,被配置为确定所述待预测的手骨数据的性别;
预测模块,被配置为按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄,其中,所述卷积神经网络模型预先基于三元组损失函数和回归损失函数训练得到。
根据本申请的另一方面,提供了一种计算机可读程序介质,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行如前所述的方法。
根据本申请的另一方面,提供了一种电子设备,所述电子设备包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如前所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明所提供的骨龄预测方法包括如下步骤:获取待预测的手骨数据;确定所述待预测的手骨数据的性别;按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄,其中,所述卷积神经网络模型预先基于三元组损失函数和回归损失函数训练得到。
此方法下,通过利用基于三元组损失函数和回归损失函数训练得到的卷积神经网络模型来进行骨龄预测,能够获得较为准确的骨龄预测结果,在保持较高的骨龄预测准确率的前提下,节约了骨龄预测时间,提高了骨龄预测效率,降低了骨龄预测成本,此外,在对手骨数据进行骨龄预测时,要先确定手骨数据的性别,然后将该手骨数据输入至已训练好的对应性别的卷积神经网络模型以进行骨龄预测,使同一性别的手骨数据只能被同样性别的卷积神经网络模型识别,提高了手骨数据与模型的匹配性,从而进一步提高了骨龄预测的准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种骨龄预测方法的系统构架示意图;
图2是根据一示例性实施例示出的一种骨龄预测方法的流程图;
图3是根据一示例性实施例示出的一种用于骨龄预测方法的卷积神经网络模型的结构示意图;
图4是根据一示例性实施例示出的一种骨龄预测装置的框图;
图5是根据一示例性实施例示出的一种实现上述骨龄预测方法的电子设备示例框图;
图6是根据一示例性实施例示出的一种实现上述骨龄预测方法的计算机可读存储介质。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
本公开首先提供了一种骨龄预测方法。骨龄是骨骼年龄的简称,是借助于骨骼在X光摄像中的特定图像量化骨骼发育程度的指标。骨龄预测是指根据手骨的数据预测出手骨对应的骨龄,从而可以了解手骨对应人的骨骼发育情况。一般情况下,骨龄预测的过程是由人来执行的,而根据本公开提供的骨龄预测方法可以自动地进行高精度的骨龄预测。
本公开的实施终端可以是任何具有计算和处理功能的设备,该设备可与其余的设备相连,用于接收或者发出信息,可以是便携移动设备,例如智能手机、平板电脑、笔记本电脑、PDA(Personal Digital Assistant)等,也可以是固定式设备,例如,计算机设备、现场终端、台式电脑、服务器、工作站等,还可以是多个设备的集合,比如构成云计算的物理基础设施。
优选地,本公开的实施终端可以为服务器或者云计算的物理基础设施。
图1是根据一示例性实施例示出的一种骨龄预测方法的系统构架示意图。如图1所示,包括数据库110、服务器120以及用户终端130。数据库110可用于存储多个手骨数据,而服务器120在本实施例中即为本公开的实施终端,可以内嵌有待训练的卷积神经网络模型。卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络可以用于处理图像以及一切可以转化成类似图像结构的数据。当服务器120要对所述待训练的卷积神经网络模型进行训练时,即可从数据库110中获取手骨数据,然后在获取的手骨数据中筛选出对应于特定性别的手骨数据,从而进行特定性别的卷积神经网络模型的训练,而对卷积神经网络模型进行训练即确定卷积神经网络模型的参数的过程,当固定于本公开的实施终端——服务器120的卷积神经网络模型被训练好时,利用训练好的卷积神经网络模型可以对手骨数据进行骨龄的预测,例如服务器120可以接收与之建立了通信链路连接的用户终端130发送的骨龄数据,服务器120在接收到该骨龄数据后,利用已训练好的卷积神经网络模型根据该骨龄数据的输入获得骨龄预测结果。
图2是根据一示例性实施例示出的一种骨龄预测方法的流程图。如图2所示,可以包括以下步骤:
步骤210,获取待预测的手骨数据;
步骤220,确定所述待预测的手骨数据的性别;
步骤230,按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄。
下面针对上述方法的各个步骤进行详述。
在步骤210中,获取待预测的手骨数据。
手骨数据即手部骨骼图像的原始数据,是用数值表示各像素的灰度值的集合。
在一个实施例中,所述待预测的手骨数据是预先存储在本端的。
在一个实施例中,所述待预测的手骨数据是从本端之外的其他终端获取的。
在一个实施例中,所述待预测的手骨数据为多个手骨数据。
在步骤220中,确定所述待预测的手骨数据的性别。
手骨数据的性别可以为男性或者女性。
在一个实施例中,所述待预测的手骨数据中包含性别标识,所述性别标识指示手骨数据的性别,所述确定所述待预测的手骨数据的性别,包括:
根据所述待预测的手骨数据中包含的性别标识确定所述待预测的手骨数据的性别。
在一个实施例中,所述确定所述待预测的手骨数据的性别,包括:
将所述待预测的手骨数据输入至预先训练好的手骨数据性别识别模型,得到所述手骨数据性别识别模型输出的所述待预测的手骨数据的性别。
在一个实施例中,所述待预测的手骨数据位于手骨数据与性别对应关系数据库中,所述确定所述待预测的手骨数据的性别,包括:
通过查询所述手骨数据与性别对应关系数据库,确定所述待预测的手骨数据的性别。
在步骤230中,按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄。
在一个实施例中,所述按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄,包括:
按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,以使所述卷积神经网络模型通过预处理层对所述待预测的手骨数据进行预处理,通过卷积层获取所述待预测的手骨数据的特征图,通过特征提取层对所述卷积层输出的特征图进行向量提取,并通过全连接层根据所述特征提取层提取的向量输出对所述手骨数据的预测骨龄。
在一个实施例中,所述按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄,包括:
将所述待预测的手骨数据转换为图片;
按照所述性别,将所述待预测的手骨数据对应的图片输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄。
在本实施例中,待预测的手骨数据是以原始图像数据进行存储的,只是存储了图像的像素值,通过将待预测的手骨数据转换为图片,可以得到适合卷积神经网络模型识别的图片类型的数据。
在一个实施例中,通过使用opencv2下的imwrite()函数将所述待预测的手骨数据转换成对应的图片。
图3是根据一示例性实施例示出的一种用于骨龄预测方法的卷积神经网络模型的结构示意图。参考图3所示,包括:手骨图片310,预处理层320,卷积层330,特征提取层340,全连接层350和360,输出370,其中320-370为要卷积神经网络模型的结构。卷积神经网络模型在图3实施例的结构下的处理流程是这样的:当卷积神经网络模型接收到输入至该模型的手骨图片310后,由预处理层320对手骨图片310进行预处理,然后将预处理后的图片输入至卷积层330,由卷积层330获取每一手骨图片的特征图,然后由特征提取层340对卷积层330输出的特征图进行向量提取,被提取出的向量最终经由全连接层进行映射,得到与每一手骨数据对应的预测结果。
值得一提的是,图3仅为本公开的一个实施例,虽然在图3实施例中输入至预处理层的是手骨图片,但在其他实施例或者具体应用中,可以将原始手骨数据输入至卷积神经网络模型的预处理层,并由预处理层将原始手骨数据转换为手骨图片,因此,本公开对此不作任何限定,本公开的保护范围也不应因此而受到任何限制。
在一个实施例中,所述卷积神经网络模型的全连接层的神经元的数量为1000。
在一个实施例中,在按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄之前,所述方法还包括:
获取包括多个手骨数据的数据集,其中,每一所述手骨数据与真实骨龄对应,所述数据集中与同一真实骨龄对应的手骨数据为多个;
针对每一性别,利用所述数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型,得到该性别的卷积神经网络模型。
在一个实施例中,所述数据集为RSNA2017公开数据集,利用python下的pydicom包可以读取手骨数据。
真实骨龄是预先通过人工方式标注的能够较为准确的骨龄,比如可以事先由医学专家或骨科专家进行评估并标注而获得。数据集中与同一真实骨龄对应的手骨数据为多个是指:对于所述数据集中任意一个手骨数据,所述数据集中除该手骨数据的其他手骨数据中,对应的真实骨龄与该手骨数据的真实骨龄相同手骨数据至少为一个。
在一个实施例中,骨龄是以月数为单位来计算的,比如,一个手骨数据对应的真实骨龄可以为50个月,那么在所述数据集中,真实骨龄为50个月的手骨数据可以包含多个。
在一个实施例中,在针对每一性别,利用所述数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型,得到该性别的卷积神经网络模型之前,所述方法还包括:
去除所述数据集中的模糊数据。
在一个实施例中,所述数据集中的手骨数据具有对应的性别标签,该性别标签为男或女中的一种,在训练初始化的卷积神经网络模型时,通过如下方式在所述数据集中获取每一性别的手骨数据:针对男或女中的每一性别标签,在所述数据集中获取所有性别标签与该性别标签一致的手骨数据。
在一个实施例中,所述数据集中的每一手骨数据都有对应的文件名,所述数据集包括文档,所述文档记录有与每一手骨数据的文件名对应的真实骨龄,通过如下方式获取与手骨数据对应的真实骨龄:
获取手骨数据对应的文件名;
利用所述文件名在所述数据集的文档中查找与所述文件名对应的真实骨龄,作为与所述手骨数据对应的真实骨龄。
对于不同性别的手骨数据,即使这些手骨数据对应的年龄和骨龄都一样,手骨数据本身的差异也会很大,因此在利用混合了不同性别的手骨数据来训练模型时,往往会导致模型的识别精度较低,在本实施例中,使用了同一性别的手骨数据来训练出同样性别的卷积神经网络模型,而在进行预测时,也是利用对应性别的手骨数据进行预测,提高了手骨数据与模型的匹配性,从而提高了使用训练好的卷积神经网络模型进行骨龄预测的精度。
在一个实施例中,所述数据集中每一性别的手骨数据的数量相同。
本实施例的好处在于,在训练每一性别的卷积神经网络模型时,通过使训练各模型的数据的数量相同,保证了训练出的各性别的模型的训练效果是相近且较优的。
在一个实施例中,所述获取包括多个手骨数据的数据集,包括:
获取多个手骨数据;
按照预定比例将获取的手骨数据分为训练数据集和测试数据集,所述训练数据集和所述测试数据集分别包括多个手骨数据;
获取包括多个手骨数据的训练数据集;
所述针对每一性别,利用所述数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型,得到该性别的卷积神经网络模型,包括:
针对每一性别,利用所述训练数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型,得到该性别的卷积神经网络模型;
在针对每一性别,利用所述数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型,得到该性别的卷积神经网络模型之后,在按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄之前,所述方法还包括:
利用所述测试数据集中的手骨数据和与每一手骨数据对应的真实骨龄,对对应性别的卷积神经网络模型进行测试;
所述按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄,包括:
若所述性别的卷积神经网络模型通过测试,则按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄。
本实施例的好处在于,通过将手骨数据分为训练数据集和测试数据集,测试数据未被用于训练卷积神经网络模型,可以提高卷积神经网络模型测试的客观性,同时由于依然留出了一部分的数据用于训练模型,能够使训练出的模型保持良好的精度,另外通过利用测试数据集对训练好的卷积神经网络模型进行测试,能够实现对卷积神经网络模型的训练效果的评估。
在一个实施例中,所述预定比例为7:3。
在一个实施例中,训练数据集和测试数据集中每一性别的手骨数据比例一致。本实施例的好处在于,使训练模型和测试模型所用的手骨数据的规模更加匹配。
在一个实施例中,所述对应性别的卷积神经网络模型利用对应性别的多个手骨数据训练而成,每一手骨数据为一个样本,所述卷积神经网络模型的损失函数为:
L=Lr+λLT,
L为所述卷积神经网络模型的损失函数,Lr为L中的回归损失函数部分,LT为L中的三元组损失函数部分,λ为对应于所述三元组损失函数部分的权重系数,其中,Lr通过如下公式计算得到:
N为批尺寸的大小,xi为由所述卷积神经网络输出的批内第i个样本的预测骨龄,yi为对应于批内第i个样本的真实骨龄,
LT通过如下公式计算得到:
其中,d(a,p,n)是a,p,n对应的a与p之间的距离和a与n之间的距离的最大距离差与β之和,d(a,p,n)=max{T(ai,pi)-T(ai,ni)+β,0},β为预设样本距离阈值,a,p,n为由所述特征提取层输出的三个向量,ai,pi,ni分别为第i个三元组对应的三个样本的向量,τ为批内所有三元组样本的组合,T(xi,yi)=||xi-yi||p,p=2。
通过在损失函数中设置三元组损失函数部分,为损失函数增加了正则项,使损失函数受到约束,这样的损失函数能够在模型的复杂度和训练模型的拟合程度之间实现平衡。
可以看出,在本实施例中,在计算两个向量的距离时,使用了2范数,这样做的好处在于,通过平方计算放大了向量之间的距离,给予较大的向量之间的距离给予更大的惩罚,能够进一步使获得的损失函数的值更小,从而提高模型的训练效果。
其中,在图3对应实施例中,LT这一三元组损失函数是由特征提取层340计算得到的。
批尺寸是一次性输入至所述卷积神经网络进行训练的样本的数量。
在一个实施例中,所述数据集还包括与每一手骨数据对应的实际年龄,由所述特征提取层输出的三个向量a,p,n是通过如下方式获得的:
在根据每一批的手骨数据的输入而输出的多个向量中,通过抽样的方式获取所有包含三个向量的组合;
针对获取的每一组合,对该组合中向量按照对应手骨数据的实际年龄进行排序;
获取排在中间的向量作为a,在剩下的两个向量中获取与a的实际年龄的差的绝对值较小的向量作为p,并将剩下的向量作为n。
比如,当获取的一个组合中包含的三个向量对应手骨数据的实际年龄分别为(35,25,41)时,排序后,对应的实际年龄为25的向量排在最前,对应的实际年龄为35的向量排在中间,而对应的实际年龄为41的向量,此时对应的实际年龄为35的向量即为a,同时由于|41-35|<|25-35|,所以对应的实际年龄为41的向量为p,对应的实际年龄为25的向量为n。
在上述实施例中,通过以三个向量为单位,对根据每一批的手骨数据的输入而输出的向量进行抽样,并根据对应手骨数据的实际年龄进行每一组合中向量的排序,然后基于排序进行向量a的选择,并根据剩下的两个向量与向量a的对应的年龄差的绝对值的大小关系来选择向量p和向量n,能够使对应的年龄相似的向量之间的距离小于对应的年龄差距过大的向量之间的距离,从而提高卷积神经网络模型的训练效果,提高卷积神经网络模型的预测精度。
在一个实施例中,所述卷积神经网络模型是通过如下的方式进行训练的:
将批内的样本输入至所述卷积神经网络模型,得到所述卷积神经网络模型输出的与每一样本对应的预测结果;
将样本对应的所述预测结果与和样本对应的真实骨龄输入至所述损失函数,得到本轮预测的损失值;
根据所述损失值调整所述卷积神经网络模型的参数,迭代进行预测和确定损失值的步骤,直至获得的损失值达到最小。
在一个实施例中,使用Adam优化器对所述卷积神经网络模型的参数进行求解,利用Adam优化器可以实现对所述卷积神经网络模型的高效训练。
在一个实施例中,对应于所述三元组损失函数部分的权重系数是从(0,1]中选取的。
在一个实施例中,对应于所述三元组损失函数部分的权重系数λ=0.5。权重系数取值越大,可以降低训练模型时过拟合的程度,而随着权重系数取值的增大,会使三元组损失函数部分的正则化作用更为明显,导致训练卷积神经网络模型时难以收敛,通过将权重系数λ设为0.5,平衡了训练模型时过拟合和难以收敛两种因素,能够保证模型的良好训练效果。
在一个实施例中,所述数据集包括与每一所述手骨数据对应的真实年龄,所述初始化的卷积神经网络模型包括预处理层,所述初始化的卷积神经网络模型中的预处理层通过如下的方式对所述数据集中的手骨数据进行预处理:
将所述数据集中的手骨数据转换为图片;
在所有所述图片中获取对应的真实年龄小于第一年龄阈值或者大于第二年龄阈值的图片,所述第二年龄阈值大于所述第一年龄阈值;
将获取的所有图片复制预定数目次,得到多个图片;
将得到的所述图片缩放至第一预定分辨率,得到多个第一图片;
对所述第一图片进行随机镜像翻转和/或预定角度范围内的随机角度旋转,得到多个第二图片;
将所述第二图片缩放至第二预定分辨率,并对缩放后的所述第二图片进行随机剪裁至所述第一预定分辨率,所述第二预定分辨率大于所述第一预定分辨率。
在一个实施例中,第二年龄阈值可以为240个月,第一年龄阈值可以为36个月。真实年龄是客观反映一个人发育年限的数值,而骨龄根据不同人发育情况的不同,即使在同样年龄的人身上也可能存在差异,年龄小于36个月的人为婴儿,基本不存在骨骼发育不良的情况,而年龄大于240个月的人的骨骼发育已经成熟,骨龄已经相对稳定,因此对应的年龄小于36个月或者大于240个月的手骨图片能够更加真实地反映骨骼的发育情况,通过将这些手骨图片进行预处理,在保证手骨图片与骨龄的对应关系真实可靠的前提下,实现了数据增强,大大提高了用于训练卷积神经网络模型的手骨图片的数量,从而可以提高模型的训练效果。
在一个实施例中,在所有所述图片中获取的对应的真实年龄小于第一年龄阈值或者大于第二年龄阈值的图片的数目为m,而预定数目为n,则通过将获取的所有图片复制预定数目次,得到的多个图片的数目为m*(n+1)。
比如,若获取的所有图片的数目为2000,而复制图片的次数,即预定数目为5,则最终得到的多个图片的数目为2000*(5+1)=12000。
在一个实施例中,对所述第一图片进行随机镜像翻转,包括:
在平面内任取一条直线;以所述直线为对称轴对所述第一图片进行翻转。
在一个实施例中,预设角度范围为小角度范围,所述小角度范围为小于或等于60度的范围。
在一个实施例中,预设角度范围为(-5°,+5°)。
在一个实施例中,第一预定分辨率为299×299,第二预定分辨率为315×315。
通过上述实施例中对图片进行缩放、随机镜像翻转和/或预定角度范围内的随机角度旋转、随机剪裁等操作,实现了在保证手骨图片与真实骨龄的实际对应关系不变的情况下,增强了数据,增加了用于对所述卷积神经网络模型训练的数据的数量。
在一个实施例中,训练所述卷积神经网络模型使用的参数为epoch size=500,batch size=40,learning Rate=0.01,学习率衰减系数=0.8,其中,epoch size为将数据集输入至卷积神经网络模型训练的轮数,batch size为批尺寸,通过将初始学习率设为0.01,可以避免训练过程的动荡,也能被避免过拟合,在一定轮数过后,通过设置学习率衰减系数,能够使学习过程逐渐减缓,能够降低卷积神经网络模型经过一定阶段的学习后损失函数维持在较高的水平且不再下降的可能,从而提高训练的精度。
综上所述,根据图2对应实施例提供的骨龄预测方法,通过利用基于三元组损失函数和回归损失函数训练得到的卷积神经网络模型来进行骨龄预测,能够获得较为准确的骨龄预测结果,在保持较高的骨龄预测准确率的前提下,节约了骨龄预测时间,提高了骨龄预测效率,降低了骨龄预测成本,此外,在对手骨数据进行骨龄预测时,要先确定手骨数据的性别,然后将该手骨数据输入至已训练好的对应性别的卷积神经网络模型以进行骨龄预测,使同一性别的手骨数据只能被同样性别的卷积神经网络模型识别,提高了手骨数据与模型的匹配性,从而进一步提高了骨龄预测的准确率。
本公开还提供了一种骨龄预测装置,以下是本公开的装置实施例。
图4是根据一示例性实施例示出的一种骨龄预测装置的框图。如图4所示,骨龄预测装置400包括:
数据获取模块410,被配置为获取待预测的手骨数据;
性别确定模块420,被配置为确定所述待预测的手骨数据的性别;
预测模块430,被配置为按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄,其中,所述卷积神经网络模型预先基于三元组损失函数和回归损失函数训练得到。
据本公开的第三方面,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)521和/或高速缓存存储单元522,还可以进一步包括只读存储单元(ROM)523。
存储单元520还可以包括具有一组(至少一个)程序模块525的程序/实用工具524,这样的程序模块525包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
根据本公开的第四方面,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种骨龄预测方法,其特征在于,所述方法包括:
获取待预测的手骨数据;
确定所述待预测的手骨数据的性别;
按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄,其中,所述卷积神经网络模型预先基于三元组损失函数和回归损失函数训练得到。
2.根据权利要求1所述的方法,其特征在于,所述按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄,包括:
按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,以使所述卷积神经网络模型通过预处理层对所述待预测的手骨数据进行预处理,通过卷积层获取所述待预测的手骨数据的特征图,通过特征提取层对所述卷积层输出的特征图进行向量提取,并通过全连接层根据所述特征提取层提取的向量输出对所述手骨数据的预测骨龄。
3.根据权利要求1所述的方法,其特征在于,所述按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄,包括:
将所述待预测的手骨数据转换为图片;
按照所述性别,将所述待预测的手骨数据对应的图片输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄。
4.根据权利要求2所述的方法,其特征在于,所述对应性别的卷积神经网络模型利用对应性别多个手骨数据训练而成,每一手骨数据为一个样本,所述卷积神经网络模型的损失函数为:
L=Lr+λLT,
L为所述卷积神经网络模型的损失函数,Lr为L中的回归损失函数部分,LT为L中的三元组损失函数部分,λ为对应于所述三元组损失函数部分的权重系数,其中,Lr通过如下公式计算得到:
N为批尺寸的大小,xi为由所述卷积神经网络输出的批内第i个样本的预测骨龄,yi为对应于批内第i个样本的真实骨龄,
LT通过如下公式计算得到:
其中,d(a,p,n)是a,p,n对应的a与p之间的距离和a与n之间的距离的最大距离差与β之和,d(a,p,n)=max{T(ai,pi)-T(ai,ni)+β,0},β为预设样本距离阈值,a,p,n为由所述特征提取层输出的三个向量,ai,pi,ni分别为第i个三元组对应的三个样本的向量,τ为批内所有三元组样本的组合,T(xi,yi)=||xi-yi||p,p=2。
5.根据权利要求1所述的方法,其特征在于,在按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄之前,所述方法还包括:
获取包括多个手骨数据的数据集,其中,每一所述手骨数据与真实骨龄对应,所述数据集中与同一真实骨龄对应的手骨数据为多个;
针对每一性别,利用所述数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型,得到该性别的卷积神经网络模型。
6.根据权利要求5所述的方法,其特征在于,所述获取包括多个手骨数据的数据集,包括:
获取多个手骨数据;
按照预定比例将获取的手骨数据分为训练数据集和测试数据集,所述训练数据集和所述测试数据集分别包括多个手骨数据;
获取包括多个手骨数据的训练数据集;
所述针对每一性别,利用所述数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型,得到该性别的卷积神经网络模型,包括:
针对每一性别,利用所述训练数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型,得到该性别的卷积神经网络模型;
在针对每一性别,利用所述数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型,得到该性别的卷积神经网络模型之后,在按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄之前,所述方法还包括:
利用所述测试数据集中的手骨数据和与每一手骨数据对应的真实骨龄,对对应性别的卷积神经网络模型进行测试;
所述按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄,包括:
若所述性别的卷积神经网络模型通过测试,则按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄。
7.根据权利要求5所述的方法,其特征在于,所述数据集包括与每一所述手骨数据对应的真实年龄,所述初始化的卷积神经网络模型包括预处理层,所述初始化的卷积神经网络模型中的预处理层通过如下的方式对所述数据集中的手骨数据进行预处理:
将所述数据集中的手骨数据转换为图片;
在所有所述图片中获取对应的真实年龄小于第一年龄阈值或者大于第二年龄阈值的图片,所述第二年龄阈值大于所述第一年龄阈值;
将获取的所有图片复制预定数目次,得到多个图片;
将得到的所述图片缩放至第一预定分辨率,得到多个第一图片;
对所述第一图片进行随机镜像翻转和/或预定角度范围内的随机角度旋转,得到多个第二图片;
将所述第二图片缩放至第二预定分辨率,并对缩放后的所述第二图片进行随机剪裁至所述第一预定分辨率,所述第二预定分辨率大于所述第一预定分辨率。
8.一种骨龄预测装置,其特征在于,所述装置包括:
数据获取模块,被配置为获取待预测的手骨数据;
性别确定模块,被配置为确定所述待预测的手骨数据的性别;
预测模块,被配置为按照所述性别,将所述待预测的手骨数据输入至对应性别的卷积神经网络模型,得到由所述卷积神经网络模型输出的预测骨龄,其中,所述卷积神经网络模型预先基于三元组损失函数和回归损失函数训练得到。
9.一种计算机可读程序介质,其特征在于,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行根据权利要求1至7中任一项所述的方法。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910709174.8A CN110660484B (zh) | 2019-08-01 | 2019-08-01 | 骨龄预测方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910709174.8A CN110660484B (zh) | 2019-08-01 | 2019-08-01 | 骨龄预测方法、装置、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110660484A true CN110660484A (zh) | 2020-01-07 |
CN110660484B CN110660484B (zh) | 2022-08-23 |
Family
ID=69036380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910709174.8A Active CN110660484B (zh) | 2019-08-01 | 2019-08-01 | 骨龄预测方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110660484B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108968991A (zh) * | 2018-05-08 | 2018-12-11 | 平安科技(深圳)有限公司 | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 |
CN111461397A (zh) * | 2020-02-26 | 2020-07-28 | 山东浪潮通软信息科技有限公司 | 一种基于改进支持向量回归机的预算预测方法及设备、介质 |
CN112102942A (zh) * | 2020-09-24 | 2020-12-18 | 石家庄喜高科技有限责任公司 | 骨骼发育等级检测方法及终端设备 |
CN112447302A (zh) * | 2020-12-04 | 2021-03-05 | 石家庄喜高科技有限责任公司 | 身高增长速度评价方法及终端设备 |
CN112801994A (zh) * | 2021-02-05 | 2021-05-14 | 广东顺德工业设计研究院(广东顺德创新设计研究院) | 骨龄评估方法和系统 |
CN113298842A (zh) * | 2021-05-28 | 2021-08-24 | 平安科技(深圳)有限公司 | 骨龄预测方法、装置、设备及计算机可读存储介质 |
CN113362292A (zh) * | 2021-05-27 | 2021-09-07 | 重庆邮电大学 | 一种基于可编程逻辑门阵列的骨龄评估方法及系统 |
CN113781398A (zh) * | 2021-08-13 | 2021-12-10 | 浙江卡易智慧医疗科技有限公司 | 一种基于双向门控循环网络的骨龄识别方法和模型 |
CN115274098A (zh) * | 2022-08-19 | 2022-11-01 | 北京咯咯网络科技有限公司 | 一种基于骨龄与身高来预测身高的智能系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006128461A2 (en) * | 2005-06-02 | 2006-12-07 | Hans Henrik Thodberg | Method for skeletal maturity determination |
CN105513597A (zh) * | 2015-12-30 | 2016-04-20 | 百度在线网络技术(北京)有限公司 | 声纹认证处理方法及装置 |
KR20160099442A (ko) * | 2015-02-11 | 2016-08-22 | 경기대학교 산학협력단 | 뼈 나이 측정 장치 및 방법 |
WO2017022908A1 (ko) * | 2015-08-04 | 2017-02-09 | 재단법인 아산사회복지재단 | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 |
CN107049308A (zh) * | 2017-06-05 | 2017-08-18 | 湖北民族学院 | 一种基于深度神经网络的意念控制系统 |
CN107591200A (zh) * | 2017-08-25 | 2018-01-16 | 卫宁健康科技集团股份有限公司 | 基于深度学习及影像组学的骨龄标记识别评估方法及系统 |
WO2018057714A1 (en) * | 2016-09-21 | 2018-03-29 | The General Hospital Corporation | Systems, methods and media for automatically generating a bone age assessment from a radiograph |
CN107944496A (zh) * | 2017-12-06 | 2018-04-20 | 电子科技大学 | 基于改进后的残差网络的骨龄自动化识别系统 |
CN108334899A (zh) * | 2018-01-28 | 2018-07-27 | 浙江大学 | 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法 |
CN108830201A (zh) * | 2018-06-01 | 2018-11-16 | 平安科技(深圳)有限公司 | 样例三元组的获取方法、装置、计算机设备以及存储介质 |
CN108968991A (zh) * | 2018-05-08 | 2018-12-11 | 平安科技(深圳)有限公司 | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 |
CN109118487A (zh) * | 2018-08-23 | 2019-01-01 | 合肥工业大学 | 基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法 |
CN109255786A (zh) * | 2018-09-30 | 2019-01-22 | 杭州依图医疗技术有限公司 | 一种检测骨龄的方法及装置 |
CN109583276A (zh) * | 2017-09-29 | 2019-04-05 | 大连恒锐科技股份有限公司 | 一种基于cnn的赤足或穿袜足迹的身高判定方法及系统 |
CN110009605A (zh) * | 2019-03-21 | 2019-07-12 | 浙江工业大学 | 一种基于深度学习的骨龄预测方法及系统 |
-
2019
- 2019-08-01 CN CN201910709174.8A patent/CN110660484B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006128461A2 (en) * | 2005-06-02 | 2006-12-07 | Hans Henrik Thodberg | Method for skeletal maturity determination |
KR20160099442A (ko) * | 2015-02-11 | 2016-08-22 | 경기대학교 산학협력단 | 뼈 나이 측정 장치 및 방법 |
WO2017022908A1 (ko) * | 2015-08-04 | 2017-02-09 | 재단법인 아산사회복지재단 | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 |
CN105513597A (zh) * | 2015-12-30 | 2016-04-20 | 百度在线网络技术(北京)有限公司 | 声纹认证处理方法及装置 |
WO2018057714A1 (en) * | 2016-09-21 | 2018-03-29 | The General Hospital Corporation | Systems, methods and media for automatically generating a bone age assessment from a radiograph |
CN107049308A (zh) * | 2017-06-05 | 2017-08-18 | 湖北民族学院 | 一种基于深度神经网络的意念控制系统 |
CN107591200A (zh) * | 2017-08-25 | 2018-01-16 | 卫宁健康科技集团股份有限公司 | 基于深度学习及影像组学的骨龄标记识别评估方法及系统 |
CN109583276A (zh) * | 2017-09-29 | 2019-04-05 | 大连恒锐科技股份有限公司 | 一种基于cnn的赤足或穿袜足迹的身高判定方法及系统 |
CN107944496A (zh) * | 2017-12-06 | 2018-04-20 | 电子科技大学 | 基于改进后的残差网络的骨龄自动化识别系统 |
CN108334899A (zh) * | 2018-01-28 | 2018-07-27 | 浙江大学 | 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法 |
CN108968991A (zh) * | 2018-05-08 | 2018-12-11 | 平安科技(深圳)有限公司 | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 |
CN108830201A (zh) * | 2018-06-01 | 2018-11-16 | 平安科技(深圳)有限公司 | 样例三元组的获取方法、装置、计算机设备以及存储介质 |
CN109118487A (zh) * | 2018-08-23 | 2019-01-01 | 合肥工业大学 | 基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法 |
CN109255786A (zh) * | 2018-09-30 | 2019-01-22 | 杭州依图医疗技术有限公司 | 一种检测骨龄的方法及装置 |
CN110009605A (zh) * | 2019-03-21 | 2019-07-12 | 浙江工业大学 | 一种基于深度学习的骨龄预测方法及系统 |
Non-Patent Citations (5)
Title |
---|
张安琪: "基于孪生卷积神经网络与三元组损失函数的图像识别模型", 《电子制作》 * |
徐迅等: "基于卷积神经网络的带遮蔽人脸识别", 《江汉大学学报(自然科学版)》 * |
王耀伟等: "基于多任务卷积神经网络的车辆多属性识别", 《计算机工程与应用》 * |
胡婷鸿等: "基于深度学习实现维吾尔族青少年左手腕关节骨龄自动化评估", 《法医学杂志》 * |
高越等: "几种主要骨龄测定方法在我国的应用进展", 《新疆医学》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108968991A (zh) * | 2018-05-08 | 2018-12-11 | 平安科技(深圳)有限公司 | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 |
CN111461397A (zh) * | 2020-02-26 | 2020-07-28 | 山东浪潮通软信息科技有限公司 | 一种基于改进支持向量回归机的预算预测方法及设备、介质 |
CN112102942A (zh) * | 2020-09-24 | 2020-12-18 | 石家庄喜高科技有限责任公司 | 骨骼发育等级检测方法及终端设备 |
CN112102942B (zh) * | 2020-09-24 | 2024-04-05 | 石家庄喜高科技有限责任公司 | 骨骼发育等级检测方法及终端设备 |
CN112447302B (zh) * | 2020-12-04 | 2023-01-06 | 石家庄喜高科技有限责任公司 | 身高增长速度评价方法及终端设备 |
CN112447302A (zh) * | 2020-12-04 | 2021-03-05 | 石家庄喜高科技有限责任公司 | 身高增长速度评价方法及终端设备 |
CN112801994A (zh) * | 2021-02-05 | 2021-05-14 | 广东顺德工业设计研究院(广东顺德创新设计研究院) | 骨龄评估方法和系统 |
CN112801994B (zh) * | 2021-02-05 | 2023-12-26 | 广东顺德工业设计研究院(广东顺德创新设计研究院) | 骨龄评估方法和系统 |
CN113362292A (zh) * | 2021-05-27 | 2021-09-07 | 重庆邮电大学 | 一种基于可编程逻辑门阵列的骨龄评估方法及系统 |
CN113362292B (zh) * | 2021-05-27 | 2023-04-28 | 重庆邮电大学 | 一种基于可编程逻辑门阵列的骨龄评估方法及系统 |
CN113298842B (zh) * | 2021-05-28 | 2023-07-14 | 平安科技(深圳)有限公司 | 骨龄预测方法、装置、设备及计算机可读存储介质 |
CN113298842A (zh) * | 2021-05-28 | 2021-08-24 | 平安科技(深圳)有限公司 | 骨龄预测方法、装置、设备及计算机可读存储介质 |
CN113781398B (zh) * | 2021-08-13 | 2022-06-24 | 浙江卡易智慧医疗科技有限公司 | 一种基于双向门控循环网络的骨龄识别方法和模型 |
CN113781398A (zh) * | 2021-08-13 | 2021-12-10 | 浙江卡易智慧医疗科技有限公司 | 一种基于双向门控循环网络的骨龄识别方法和模型 |
CN115274098A (zh) * | 2022-08-19 | 2022-11-01 | 北京咯咯网络科技有限公司 | 一种基于骨龄与身高来预测身高的智能系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110660484B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660484B (zh) | 骨龄预测方法、装置、介质及电子设备 | |
CN110807495B (zh) | 多标签分类方法、装置、电子设备及存储介质 | |
US20190065897A1 (en) | Medical image analysis method, medical image analysis system and storage medium | |
CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
CN111274425A (zh) | 医疗影像分类方法、装置、介质及电子设备 | |
CN111881926A (zh) | 图像生成、图像生成模型的训练方法、装置、设备及介质 | |
CN113487614B (zh) | 胎儿超声标准切面图像识别网络模型的训练方法和装置 | |
CN115440346B (zh) | 基于半监督学习的痤疮分级方法、系统、设备及存储介质 | |
Seo et al. | A deep learning algorithm for automated measurement of vertebral body compression from X-ray images | |
CN111091010A (zh) | 相似度确定、网络训练、查找方法及装置和存储介质 | |
CN112396605A (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
CN112150470A (zh) | 图像分割方法、装置、介质及电子设备 | |
CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
CN117010971B (zh) | 一种基于人像识别的智能健康险提供方法及系统 | |
CN116797572A (zh) | 基于多模态数据的类风湿关节炎活动度分级装置 | |
CN111209946A (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
CN116486156A (zh) | 融合多尺度特征上下文的全视野数字切片图像分类方法 | |
CN116188396A (zh) | 一种图像分割方法、装置、设备及介质 | |
CN115762721A (zh) | 一种基于计算机视觉技术的医疗影像质控方法和系统 | |
CN115100723A (zh) | 面色分类方法、装置、计算机可读程序介质及电子设备 | |
CN114897057A (zh) | 基于多模态数据融合的阴虚证智能诊断系统、方法、设备 | |
CN114557670A (zh) | 生理年龄预测方法、装置、设备及介质 | |
CN114462522A (zh) | 肺癌生存期预测模型训练、预测方法、系统、装置及介质 | |
CN112183603A (zh) | 痘痘类型识别模型训练方法及相关装置 | |
CN113688854A (zh) | 数据处理方法、装置及计算设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |